Wie kann ich überprüfen, welche Verteilung meinen Daten zu Grunde liegt? Chi-Quadrat-Test auf Normalverteilung
|
|
- Frank Albrecht
- vor 5 Jahren
- Abrufe
Transkript
1 Wie kann ich überprüfen, welche Verteilung meinen Daten zu Grunde liegt? Chi-Quadrat-Test auf Normalverteilung T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-1
2 Chi-Quadrat-Test: Test auf Normal-Verteilung Konkretes Beispiel (im Geiste R. Schlittgen Einführung in die Statistik (Oldenbourg), 1998.): Studentische Wohnungsuche: Vergleich der Kaltmieten einer -Raum Wohnung. Gewissenhafte Recherche ergibt folgende Liste an Angeboten in EUR: Unser Student fragt sich: Ist das völlige Willkür? Sind vorliegende Daten auf eine bestimmte Art verteilt? Normalverteilt? Festlegen der Irrtumswahrscheinlichkeit: Testen auf 5 % T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-
3 Chi-Quadrat-Test: Test auf Normal-Verteilung Erster Schritt: Sortieren der Urliste: Mietpreise in EUR Zweiter Schritt: Einteilung nach Klassen: Anzahl der Klassen k? Faustregel: k = 5*log(Spannweite) In unserem Beispiel: k = 5*log(670) 14 Das ist keine harte Regel, die Wahl wird im Rahmen unseres Hypothesentest zu überprüfen sein! Programme wie Excel oder Origin verwenden k =, mit n Anzahl Datenpunkte. Das führt ohne kritische Betrachtung schnell zu Problemen mit der Gleichverteilung der Merkmalsausprägung T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-3
4 Chi-Quadrat-Test: Test auf Normal-Verteilung Zweiter Schritt: Einteilung nach Klassen in EUR: Klassen Nr. Mietpreisklasse Absolute Häufigkeit Relative Häufigkeit bis 00 0, bis , bis , bis , bis , bis , bis , bis , bis 600 0, bis , bis 700 0, bis , bis , bis ,07 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-4
5 Chi-Quadrat-Test: Test auf Normal-Verteilung Zweiter Schritt: Einteilung nach Klassen in EUR: Klassen Nr. Mietpreisklasse Absolute Häufigkeit Relative Häufigkeit 10 Qualitativer Test: Graphische Darstellung Kaltmiete -Raum Wohnung bis 00 0, bis , bis , bis , bis , bis , bis ,1364 Absolute Häufigkeit Mietpreis (EUR) Ist das eine Normalverteilung? bis , bis 600 0, bis , bis 700 0, bis , bis , bis ,07 Annahme: Es ist eine! Bestimme Mittelwert und Stichprobenstandardabweichung = 495,48 = 181,70 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-5
6 Chi-Quadrat-Test: Test auf Normal-Verteilung Zweiter Schritt: Einteilung nach Klassen in EUR: Klassen Nr. Mietpreisklasse Absolute Häufigkeit Relative Häufigkeit Qualitativer Test: Graphische Darstellung Kaltmiete -Raum Wohnung bis 00 0, bis , bis , bis , bis ,045 Absolute Häufigkeit Mietpreis (EUR) Ist das eine Normalverteilung? bis , bis , bis , bis 600 0, bis , bis 700 0, bis , bis , bis ,07 Annahme: Es ist eine! Bestimme Mittelwert und Stichprobenstandardabweichung = 495,48 = 181,70 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-6
7 Die Fehlerfunktion allgemeine Form Jetzt benötigen wir die Anwort auf die Frage: Wie viel % der Messwerte liegen oberhalb (unterhalb) eines bestimmten Messwertes? Wie groß ist das Integral bis zu einem bestimmten Wert? z 1 zwischen und t σ e dz mit t ( xx) / t T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-7
8 Chi-Quadrat-Test: Test auf Normal-Verteilung Dritter Schritt: Bestimme theoretische Häufigkeit der Klassen bei Normalverteilung Klassen Nr. Merkmalsgrenze t , , , , , , , , , , , , , ,951 Nun: Bestimme Wahrscheinlichkeit T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-8
9 Chi-Quadrat-Test: Test auf Normal-Verteilung Erf () t P( x X t ) Px ( X1,66 ) 0,5 0, , 0516 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-9
10 Chi-Quadrat-Test: Test auf Normal-Verteilung Dritter Schritt: Bestimme theoretische Häufigkeit der Klassen bei Normalverteilung Klassen Nr. Merkmalsgrenze t Erf(t) ,66 0, ,3510 0, ,0758 0, ,8007 0, ,555 0, ,503 0, ,049 0, ,3001 0, ,5753 0, ,8504 0, ,156 0, ,4008 0, ,6760 0, ,951 0,9744 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-10
11 Chi-Quadrat-Test: Test auf Normal-Verteilung Damit bestimmen wir jetzt die Wahrscheinlichkeit für die einzelnen Klassen: Klassen Nr. Merkmalsgrenze t Erf(t) ,66 0, ,3510 0,0885 Die Wahrscheinlichkeit einen Wert zwischen 00 und 50 zu erhalten ist gegeben durch: PX ( 1, 66 x X1,3510 ) 0, , , 0369 Wir hatten insgesamt 44 Werte. Wir würden also folgende Anzahl Werte in dieser Klasse erwarten: np( X 1, 66 x X 1,3510 ) 440, , 64 Damit können wir nun unsere theoretische Häufigkeit bestimmen T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-11
12 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Wahrscheinlichkeit Theoretische Häufigkeit bis 00 0,035 1, bis 50 0,0369 1, bis 300 0,0516, bis 350 0,0718 3, bis 400 0,0871 3, bis 450 0,103 4, bis 500 0,1107 4, bis 550 0,1059 4, bis 600 0,1011 4, bis 650 0,0833 3, bis 700 0,0685 3, bis 750 0,0484, bis 800 0,0343 1, bis 850 0,009 0,9196 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-1
13 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Wahrscheinlichkeit Theoretische Häufigkeit bis 00 0,035 1, bis 50 0,0369 1, bis 300 0,0516,704 8, bis 350 0,0718 3, bis 400 0,0871 3, bis 450 0,103 4, bis 500 0,1107 4, bis 550 0,1059 4, bis 600 0,1011 4, bis 650 0,0833 3,665 8,3386 9,5304 8, bis 700 0,0685 3, bis 750 0,0484, bis 800 0,0343 1,509 7, bis 850 0,009 0,9196 Hier zeigt sich nun, dass für den Chi-Quadrat-Test die ursprüngliche Klasseneinteilung ungeeignet ist! Der Test darf nur angewandt werden, wenn die theoretische Häufigkeit einer Klasse 5 ist T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-13
14 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 Sortierte Mietpreise in EUR: T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-14
15 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 Sortierte Mietpreise in EUR: T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-15
16 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 Sortierte Mietpreise in EUR: T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-16
17 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 Sortierte Mietpreise in EUR: T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-17
18 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 Sortierte Mietpreise in EUR: T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-18
19 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 1 Sortierte Mietpreise in EUR: Damit testen wir nun auf eine Irrtumswahrscheinlichkeit von 5% E T n n k k Qk k1 Tk k1 8, 6073 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-19
20 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 1 Damit testen wir nun auf eine Irrtumswahrscheinlichkeit von 5% E T n n k k Qk k1 Tk k1 Wie viele Freiheitsgrade? 5 Klassen 3 Zwangsbedingungen 8, 6073 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-0
21 Chi-Quadrat-Test Sicherheitsschwellen: T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-1
22 Chi-Quadrat-Test: Test auf Normal-Verteilung Klassen Nr. Mietpreisklasse Theoretische Häufigkeit Gemessene Häufigkeit bis 350 8, bis 450 8, bis 550 9, bis 650 8, bis 850 7,574 1 Damit testen wir nun auf eine Irrtumswahrscheinlichkeit von 5% E T n n k k Qk k1 Tk k1 Wie viele Freiheitsgrade? 5 Klassen 3 Zwangsbedingungen 8, 6073 Bei Annahme einer Irrtumswahrscheinlichkeit von 5 % entsprechen die Daten keiner Normal-Verteilung T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-
23 Linearer Korrelationskoeffizient T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-3
24 Fragestellung (Wiederholung) Wir führen eine Messung durch und erhalten folgende Werte 75,0 X i Y i 0,0 5,4 1,17 54,6 1,96 57,7,98 59,5 4,05 6,7 5,1 65,6 5,93 67,0 7,01 69,0 8,4 7,8 Y 70,0 65,0 60,0 55,0 50,0 Testmessung zur linearen Regression 0,00,00 4,00 6,00 8,00 X 1.) Angenommen die Beziehung zwischen x und y ist linear, welche Gerade passt am besten zu den Messwerten?.) Wie können wir objektiv beurteilen, inwieweit die Daten unsere Annahme erfüllen und wirklich einer bestimmten Funktion (hier einer Gerade) folgen? T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-4
25 Vorüberlegungen Wir messen zur Bestimmung einer Größe q(x, Y) die Größen X und Y jeweils mit einer Messreihe und erhalten N Datenpaare (x i,y i ). Aus den (x 1,,x n ) und (y 1,,y n ) bestimmen wir die Mittelwerte x und y sowie deren Standardfehler s x und s y. Weiterhin bestimmen wir aus den N Messwertepaaren N Werte der gesuchten Größe q q( x, y ) mit ( i 1,..., N) i i i Daraus bestimmen wir q sowie q. Übliche Annahme: Die Fehler seien klein und normalverteilt. Dann hält: q q qi q( xi, yi) q( x, y) ( xi x) ( yi y). x y T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-5
26 Vorüberlegungen q q qi q( xi, yi) q( x, y) ( xi x) ( yi y). x y Mittelwert: n n 1 1 q q q qi q( x, y) ( xi x) ( yi y) ; N i 1 N i1 x y und damit q q( x, y). Daraus Standardabweichung: 1 n q qi q N i1 ( ), 1 q q ( x x) ( y y), n q i i N i1 x y n n n q 1 q 1 q q 1 q i i i i x N i1 y N i1 x y N i1 ( x x) ( y y) ( x x)( y y). T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-6
27 Vorüberlegungen n n n q 1 q 1 q q 1 q i i i i x N i1 y N i1 x y N i1 ( x x) ( y y) ( x x)( y y). x y xy Zusammengefasst: q q q q q x y xy. x y x y Bei unendlich vielen Messungen wird xy = 0, falls x und y unabhängig sind. Nach einer endlichen Zahl von Messungen ist es sehr unwahrscheinlich, dass xy exakt gleich Null wird. Wann dürfen wir die xy ignorieren und die Gauß sche Fehlerrechnung anwerfen? T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-7
28 Kovarianz Der Term: n 1 ( x x)( y y) xy i i N i1 wird als Kovarianz von x und y bezeichnet. Falls x und y voneinander abhängig sind wird xy auch bei unendlich vielen Messungen nie null. Die Kovarianz ist daher ein Maß für die Abhängigkeit von Daten, man spricht dann von Korrelation. Beispiel: Gleichzeitige Messung von Spannung und Strom zur Ermittlung der Leistung mit dem selben Gerät. Die Kovarianz gibt zwar Richtung der Korrelation an, über die Stärke des Zusammenhangs besteht aber keine Aussage. Wir benötigen leistungsfähigere Indikatoren T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-8
29 Definition des linearen Korrelationskoeffizienten r xy x y y r xi xyi y 1 x x y y i i x Der Korrelationskoeffizient ist ein Indikator dafür, wie gut die Punkte (Xi,Yi) zu einer Geraden passen. Sein Wert liegt zwischen -1 und +1. Ist r nahe bei ±1, dann befinden sich die Punkte dicht bei einer Geraden. Ist r dagegen nahe bei 0, dann zeigen die Punkte wenig oder keine Neigung, auf einer Geraden zu liegen. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-9
30 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung Annahme alle Punkte (X i,y i ) lägen auf einer Geraden Y = A + BX In diesem Fall ist Y i = A + B X i für alle X i und Y A B X Somit gilt für jedes X i : X X B Y Y i i Setzt man dies in die Definitionsgleichung für r ein, ergibt sich: 1 1 B B x x B x x x x B r i i i [r = +1 bei positivem B; r = - 1 bei negativem B.] Quantitative Bedeutung von r? Linearer Korrelationskoeffizient
31 Linearer Korrelationskoeffizient Selbst wenn wir einen linearen Zusammenhang zwischen X und Y annehmen, ist aufgrund von Messfehlern nicht zu erwarten, dass r = 1 ist. Wir werden erwarten, dass r "hinreichend nahe" bei 1 liegt Was heißt hinreichend nahe? Ist 0,8 hinreichend nahe? Ist 0,6 nicht mehr nahe? Ist r = 0,6 bei 5 Messwerten anders zu bewerten als bei 100? Was wir benötigen, ist eine objektive Entscheidung darüber, was "hinreichend nahe" bei eins heißt. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-31
32 Quantitative Bedeutung des linearen Korrelationskoeffizienten Nehmen wir an die zwei Variablen X und Y seien unkorreliert. Bei unendlich vielen Messungen wird r = 0. Nach einer endlichen Zahl von Messungen ist es sehr unwahrscheinlich, dass r exakt gleich Null wird. r = 0,495 r = 1,000 r = 0,995 r = 0,951 r = 0,906 r = 0,70 r = 0,9 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-3
33 Quantitative Bedeutung des linearen Korrelationskoeffizienten Nehmen wir an die zwei Variablen X und Y seien unkorreliert. Bei unendlich vielen Messungen wird r = 0. Nach einer endlichen Zahl von Messungen ist es sehr unwahrscheinlich, dass r exakt gleich Null wird. Man kann die Wahrscheinlichkeit dafür berechnen, dass r einen bestimmten Wert r o übersteigt. P( r r o ) bezeichnet die Wahrscheinlichkeit, dass N Messungen von zwei unkorrelierten Variablen X und Y einen Koeffizienten r liefern, der größer ist als irgendein bestimmtes r o. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-33
34 Quantitative Bedeutung des linearen Korrelationskoeffizienten Hier sind die Wahrscheinlichkeiten dargestellt, bei N unkorrelierten Paaren (X i, Y i ) ein r einer gewissen Größe zu erhalten. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-34
35 Zusammenhang: Lineare Regression - linearer Korrelationskoeffizient Willkürliche Annahme X sei fehlerfrei und Y fehlerbehaftet. X 35, 48 Y 110,15 r = 0,4945 bei N = 0 Y 1,3366 X 6,78 T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-35
36 Zusammenhang: Lineare Regression - linearer Korrelationskoeffizient Ebenfalls gerechtfertigte und genauso willkürliche Annahme Y sei fehlerfrei und X fehlerbehaftet. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-36
37 Quantitative Bedeutung des linearen Korrelationskoeffizienten T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-37
38 Quantitative Bedeutung des linearen Korrelationskoeffizienten Hier sind die Wahrscheinlichkeiten dargestellt, bei N unkorrelierten Paaren (X i, Y i ) ein r einer gewissen Größe zu erhalten. Bei N=0 unkorrelierten Werten tritt ein r = 0,444 in 5% der Fälle auf; ein r = 0,516 nur in,0% der Fälle. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-38
39 Quantitative Bedeutung des linearen Korrelationskoeffizienten In unserem Beispiel ist r = 0,4945 und N = 0 Die Wahrscheinlichkeit, bei 0 unkorrelierten Paaren (X i, Y i ) ein r von 0,4945 zu erhalten, ist etwa,5 % Wenn diese Wahrscheinlichkeit "hinreichend klein" ist, können wir den Schluss ziehen, dass es sehr unwahrscheinlich ist, dass X und Y unkorreliert sind, oder anders Es ist sehr wahrscheinlich, dass die Daten korreliert sind. Ist,5 % eine "hinreichend kleine" Wahrscheinlichkeit? T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-39
40 Quantitative Bedeutung des linearen Korrelationskoeffizienten Häufig wird eine beobachtete Korrelation r b als signifikant bezeichnet, wenn die Wahrscheinlichkeit bei unkorrelierten Variablen einen Wert größer als r b zu erhalten, der 5 % Schwelle entspricht. Eine Korrelation wird als hochsignifikant bezeichnet, wenn die entsprechende Wahrscheinlichkeit kleiner als 1 % ist. In unserem Beispiel ist die Korrelation (r =0,4945) bei 0 Wertepaaren signifikant (auf 5% Niveau r b = 0,444 ). Sie ist nicht hochsignifikant (1%, r b = 0,561). T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-40
41 WICHTIG Korrelation bedeutet nicht Kausalität. Wussten Sie, dass..die Handschrift umso lesbarer ist, je größer die Schuhgröße ist?.der Weizenpreis sinkt, je mehr Symptome für Weizenpollenallergie (umgspr. Heuschnupfen) auftreten?.der Kalziumgehalt in den Knochen umso geringer ist, je mehr unverheiratete Tanten jemand hat? Vorsicht es gibt "Scheinkorrelationen" T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-41
42 Linearer Korrelationskoeffizient: Beispiele Gibt es eine Korrelation zwischen den Ergebnissen der Fehlerrechnung und den Ergebnissen im schriftlichen Vordiplom? Es gibt eine große Anzahl Studierender, die an der Fehlerrechnung teilgenommen haben, aber nicht zum Vordiplom angetreten sind. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-4
43 Linearer Korrelationskoeffizient: Beispiele Berücksichtigung von Studierenden, die beide Veranstaltungen absolviert haben. Gestrichelte Linien bedeuten die Punktegrenzen zum Bestehen der Veranstaltung. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-43
44 Linearer Korrelationskoeffizient: Beispiele Einzeichnen einer Regressionsgeraden Es liegt eine sehr geringe Korrelation vor, die obendrein durch einen Ausreißer verstärkt wird. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-44
45 Linearer Korrelationskoeffizient: Beispiele Vernachlässigung des AUSREIßERS Es liegt eine nahezu kreisförmige Punktwolke vor, was auf eine geringe Korrelation schließen lässt. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-45
46 Linearer Korrelationskoeffizient: Beispiele Vernachlässigung des AUSREIßERS führt zu einem noch kleineren Korrelationskoeffizienten. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-46
47 Linearer Korrelationskoeffizient: Beispiele Beide REGRESSIONSGERADEN STEHEN NAHEZU SENKRECHT AUFEINANDER. T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-47
48 Linearer Korrelationskoeffizient: Beispiele N = 140 r = 0, Die Korrelation ist hochsignifikant! T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation Vorlesung 03-48
Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrStatistische Methoden
Modeling of Data / Maximum Likelyhood methods Institut für Experimentelle und Angewandte Physik Christian-Albrechts-Universität zu Kiel 22.05.2006 Datenmodellierung Messung vs Modell Optimierungsproblem:
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrStatistik. Ronald Balestra CH St. Peter
Statistik Ronald Balestra CH - 7028 St. Peter www.ronaldbalestra.ch 17. Januar 2010 Inhaltsverzeichnis 1 Statistik 1 1.1 Beschreibende Statistik....................... 1 1.2 Charakterisierung von Häufigkeitsverteilungen...........
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrErstabgabe Übung nicht abgegeben
Erstabgabe Übung 9 6 5 4 3 2 1 nicht abgegeben T. Kießling: Auswertung von Messungen und Fehlerrechnung - Graphische Darstellungen, Etrapolation 18.01.2018 Vorlesung 10-1 Übungsaufgaben So soll es sein:
MehrDidaktisches Seminar über Stochastik. Themen: ffl Korrelation von zwei Zufallsvariablen
Didaktisches Seminar über Stochastik Themen: ffl Gemeinsame Verteilung von zwei Zufallsvariablen ffl Lineare Regression ffl Korrelation von zwei Zufallsvariablen Michael Ralph Pape Mai 1998 1 1 GEMEINSAME
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrEinführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrAllgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression
1 Einführung Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression Datenauswertung In einem naturwissenschaftlichen Experiment werden Sie meist
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrVorlesung 12a. Kann das Zufall sein? Beispiele von statistischen Tests
Vorlesung 12a Kann das Zufall sein? Beispiele von statistischen Tests 1 Beispiel 1: Passen die Verhältnisse in den Rahmen? Fishers exakter Test (vgl. Buch S. 130/131 2 Sir Ronald Fisher 1890-1962 3 Aus
MehrBegleitmaterial zur Vorlesung. Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen
Institut für Technische Thermodynamik und Kältetechnik Leiter: Prof. Dr.-Ing. K. Schaber Begleitmaterial zur Vorlesung Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen Verfasst von Dr.
MehrFehler- und Ausgleichsrechnung
Fehler- und Ausgleichsrechnung Daniel Gerth Daniel Gerth (JKU) Fehler- und Ausgleichsrechnung 1 / 12 Überblick Fehler- und Ausgleichsrechnung Dieses Kapitel erklärt: Wie man Ausgleichsrechnung betreibt
MehrStatistik... formeln für Dummies
Timm Si99 Statistik... formeln für Dummies Fachkorrektur tlon Christoph Maas und Joachim Gaukel WILEY WILEY-VCH Verlag GmbH & Co. KGaA lnhaftsllerzeichnis Einleitun9 17 Teil I Formeln aus der beschreibenden
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStatistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrKapitel XI - Korrelationsrechnung
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Kapitel XI - Korrelationsrechnung Markus Höchstötter Uni Karlsruhe Karlsruhe, SS 2008 Kapitel XI - Korrelationsrechnung
MehrHochschule Darmstadt FB Mathematik und Naturwissenschaften. Statistik. für Wirtschaftsingenieure (B.Sc.) Sommersemester 2017
für Wirtschaftsingenieure (B.Sc.) Sommersemester 017 Dr. rer. nat. habil. E-mail: adam-georg.balogh@h-da.de 1 Hochschule Darmstadt, Fachbereich MN Sommersemester 017 Testklausur zur Vorlesung Wirtschaftsstatistik
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
MehrEinführung 17. Teil I Kopfüber eintauchen in die Statistik 23. Kapitel 1 Kategoriale Daten zusammenfassen: Häufigkeiten und Prozente 25
Inhaltsverzeichnis Einführung 17 Über dieses Buch 17 Törichte Annahmen über den Leser 19 Wie dieses Buch aufgebaut ist 19 Teil I: Kopfüber eintauchen indie Statistik 19 Teil II: Von Wahrscheinlichkeiten,
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 25. Januar 2013 1 Der χ 2 -Anpassungstest 2 Exakter Test nach Fisher Mendelsche Erbregeln als Beispiel für mehr
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrMittelwert, Standardabweichung, Median und Bereich für alle durchgeführten Messungen (in Prozent)
3. Ergebnisse 3.1 Kennwerte, Boxplot Die Kennwerte der deskriptiven Statistik sind in der Tabelle 1 für alle Messungen, in der Tabelle 2 für die Messungen, bei denen mit der Referenzmethode eine festgestellt
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrEinführung. Fehlerarten
Einführung Jede Messung ist mit einer Messunsicherheit behaftet. Die Unsicherheit bezieht sich dabei nicht auf eine falsche Durchführung der Messung, sondern auf die Tatsache, dass jede von einem Menschen
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrMessunsicherheit und Fehlerrechnung
Messunsicherheit und Fehlerrechnung p. 1/25 Messunsicherheit und Fehlerrechnung Kurzeinführung Peter Riegler p.riegler@fh-wolfenbuettel.de Fachhochschule Braunschweig/Wolfenbüttel Messunsicherheit und
MehrMATHEMATIK 3 STUNDEN
EUROPÄISCHES ABITUR 2013 MATHEMATIK 3 STUNDEN DATUM : 10. Juni 2013, Vormittag DAUER DER PRÜFUNG: 2 Stunden (120 Minuten) ERLAUBTES HILFSMITTEL Prüfung mit technologischem Hilfsmittel 1/6 DE AUFGABE B1
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 10.01.2008 1 2 Test Anwendungen Der 2 Test ist eine Klasse von Verfahren für Nominaldaten, wobei die Verteilung der beobachteten Häufigkeiten auf zwei mehrfach gestufte Variablen
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
MehrDer Umgang mit Unsicherheiten
Manfred Drosg Der Umgang mit Unsicherheiten Ein Leitfaden zur Fehleranalyse facultas Inhaltsverzeichnis 1 Einleitung 13 1.1 Wissenschaftlichkeit 14 1.2 Sichere (fehlerfreie) Daten 16 2 Grundlegendes über
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
Mehr(f(xi ) y i ) 2. minimal ist: man will also die Summe der quadratischen Abweichungen minimieren ... f(x i ) y i, i=1 (t x i) 2
Mathematik für Biologen, Biotechnologen und Biochemiker Lineare Regression Gegeben seien Datenpaare (, ), (, ),, ( n, n ) Wir stellen die Frage, ob sich die Zahlen i als Werte einer linearen Funktion i
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrEigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrBivariate Regressionsanalyse
Universität Bielefeld 15. März 2005 Kovarianz, Korrelation und Regression Kovarianz, Korrelation und Regression Ausgangspunkt ist folgende Datenmatrix: Variablen 1 2... NI 1 x 11 x 12... x 1k 2 x 21 x
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrVorlesung 7b. Kovarianz und Korrelation
Vorlesung 7b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrStatistik Prüfung 24. Jänner 2008
Statistik Prüfung 24. Jänner 2008 February 10, 2008 Es ist immer nur EINE Antwort richtig, bei falsch beantworteten Fragen gibt es KEINEN Punktabzug. Werden mehrere Antworten bei einer Frage angekreuzt,
Mehr1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrMSP Musterlösung. Name, Nummer: Datum: 12. Juli Energie eines Super-Kondensators 2Y6HUB
WST donat.adams@fhnw.ch IMN MSP Musterlösung Name, Nummer: Datum: 1. Juli 017 1. Energie eines Super-Kondensators Y6HUB An einer Sendung von Super-Kondensatoren mit Energie-Gehalt E = 1 C U wurden folgende
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 2007/08 UNIVERSITÄT KARLSRUHE Blatt 1 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrAusführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm
y Aufgabe 3 Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6 a) Zur Erstellung des Streudiagramms zeichnet man jeweils einen Punkt für jedes Datenpaar (x i, y i ) aus der zweidimensionalen
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrBei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:
18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
Mehr